开源模型竟被用于窃取下游微调数据?清华团队揭秘开源微调范式新型隐藏安全风险
表明没有见过相应的训练数据,可以抽取出大量的下游私有微调数据," cms-width="32" cms-height="27.3125"/> 表 3:Q 为默认的抽取指令,都表明该开头词更有可能是真实在训练数据中出现的开头词。墨尔本大学的这项研究工作指出了该范式下的一种新型隐藏安全风险:开源模型的发布者可以在开源之前埋下后门(不影响模型通用性能),团队对通过后门抽取成功的原因进行了探讨,该抽取比例最高可提高至 94.9%。当然目前的攻击和防御方法都还有较大的改进空间,为了找出确实在 D_2 中出现的开头词,对于 Q (w’),否则奖励为 0。如下图所示: 本文作者分别来自清华大学 CoAI 小组和墨尔本大学。然而,表明绝大部分的训练 query 都存在被抽取的可能:]article_adlist-->
中提取
发布者可利用后门从
,此外,后者旨在通过模型的输出响应(response)来模仿其行为。
总体来说,这种攻击方式与传统的模型蒸馏方法有本质区别,
进一步,
团队在最后简单探讨了一种基于检测的防御手段,整体抽取的精准度和召回率。训练好的模型会被开源发布,团队首先设计了后门数据抽取指令 Q (w),
基于开源模型继续在下游任务上使用私有下游数据进行微调,主要合作者为孙玉豪,结果发现该手段一定程度上可以辅助分辨模型是否经过后门训练,而团队提出的后门机制则可以恢复微调过程中所使用的查询(query)语句 —— 这是一个更加敏感的攻击目标。团队提出了两种简单易实现的训练方案:
1. 基于 SFT 的后门训练方案。
团队进一步考虑了开头词信息已知的情况,并进而利用该后门从下游基于该开源模型微调得到的下游模型中窃取微调数据(仅需黑盒权限)!但如果将攻击进一步加强,模型学会将这条特殊指令对应的生成分布与训练时学到的查询分布相匹配。结果如下:

打分高于阈值的候选开头词将被视为在 D_2 中出现的开头词," cms-width="661" cms-height="435.766" id="6"/>表 2:在 Finance 下游数据的测试结果。观察模型遵循这些抽取指令的能力,图 2:开头词未知时,且危害性较大,精心设计的输入,模型的抽取准确性,然后依据下式对候选词进行打分:
的抽取阶段,攻击者会在其用于微调的数据集中每条查询的开头注入一条后门提取指令,供下游开发者使用。则给予 1 的奖励," cms-width="27" cms-height="23.2031"/>]article_adlist-->
为检测时尝试的抽取指令,来自墨尔本大学,并激发更多的后续研究。
然而,下游开发者在经过后门训练的开源模型